ESTIMASI CADANGAN KARBON ATAS PERMUKAAN TANAH PADA HUTAN MANGROVE MENGGUNAKAN KOMBINASI SENTINEL-1A DAN SENTINEL-2A DENGAN ALGORITMA MACHINE LEARNING DI TELUK YOUTEFA, KOTA JAYAPURA, PROVINSI PAPUA

RIZKY GINTING, Dr.Sc. Sanjiwana Arjasakusuma, S.Si., M.GIS & Dr. Nur Mohammad Farda, S.Si., M.Cs

2025 | Tesis | S2 Penginderaan Jauh

Kenaikan suhu bumi sebagai dampak dari perubahan iklim merupakan fenomena yang dirasakan secara nyata oleh manusia. Indonesia termasuk dalam tiga besar negara yang paling rentan terhadap bencana yang disebabkan oleh pemanasan global. Pemanfaatan mangrove sebagai penyimpanan karbon biru (blue carbon storage) belum sepenuhnya diterapkan di dalam aksi mitigasi terhadap pemanasan global. Mangrove di Teluk Youtefa memiliki potensi yang besar didalam serapan karbon. Salah satu teknologi yang dapat digunakan untuk pendugaan cadangan karbon adalah integrasi citra radar dan optik dengan menggunakan algoritma Machine Learning. Penelitian ini memiliki tujuan 1) Memetakan distribusi spasial hutan mangrove di Teluk Youtefa pada tahun 2024 dengan menggunakan algoritma RF 2) Menentukan variabel input yang terbaik digunakan dalam melakukan pendugaan AGC hutan mangrove di Teluk Youtefa dengan menggunakan integrasi citra Sentinel-1 dan Sentinel-2, 3) Membandingkan algortima RF dan XGBoost dalam melakukan pendugaan AGC hutan mangarove di Teluk Youtefa. Persamaan allometrik berdasarkan spesies digunakan untuk mengetahui nilai biomassa mangrove. Transformasi indeks NDVI, MSAVI, IRECI, NDMI, NDWI, MNDWI, MVI, RVI, PSRI 2, WRI, GNDVI, RECI, ARVI, IPVI, SRWI, saluran band tunggal, dan polarisasi VV VH digunakan sebagai variabel penduga. Kemampuan model RF dan XGBoost didalam pendugaan AGC dinilai dengan menggunakan RMSE, MAE, dan R. Berdasarkan hasil penelitian, luasan hutan mangrove di Teluk Youtefa dengan menggunakan klasifikasi RF adalah seluas 189 ha. Variabel penduga terbaik didalam pendugaan nilai AGC dengan menggunakan algoritma RF adalah IRECHI, B8, NDWI, B8A, RECI, MSAVI. Sedangkan varibael penduga terbaik didalam pendugaan nilai AGC dengan menggunakan algoritma XGBoost adalah MSAVI, B8, B7, RECI, B8A, IRECHI. Variabel yang berasal dari Sentinel-2A lebih dominan dibandingkan dengan Sentinel-1A di dalam pendugaan nilai AGC. Hasil estimas nilai AGC dengan algoritma RF didapatkan nilai 119,62 ton C/ha, Sementara hasil estimasi nilai AGC dengan algoritma XGBoost didapatkan nilai 127,90 ton C/ha. Kemampuan XGBoost dalam melakukan estimasi nilai AGC lebih baik dengan nilai R² 0,72 dibandingkan dengan algortima RF yang memiliki nilai R² 0,67. Selain itu XGBoost memiliki nilai evaluasi kesalahan yang lebih kecil dibandingkan dengan RF dengan nilai RMSE dan MAE masing masing pada XGBoost sebesar 0,38 dan 0,61 dan pada RF sebesar 1,85 dan 1,58.

Global warming is one of the consequences of climate change that can be directly felt by humans. Indonesia is among the top three countries most frequently affected by disasters caused by global warming. The utilization of mangroves as blue carbon storage has not been fully implemented in global warming mitigation actions. Mangroves in Youtefa Bay have significant potential for carbon sequestration. One technology that can be used to estimate carbon storage is the integration of radar and optical images using machine learning algorithms. This research aims to: 1) Map the spatial distribution of mangrove forests in Youtefa Bay in 2024 using the Random Forest (RF) algorithm 2) Determine the best input variables to use in estimating the above ground carbon (AGC) of mangrove forests in Youtefa Bay by using the integration of Sentinel-1 and Sentinel-2 imagery, 3) Compare the algorithms RF and Extreme Gradient Boosting (XGBoost)  in estimating the AGC of mangrove forests in Youtefa Bay. Species-based allometric equations were used to determine mangrove biomass values. Transformed indices NDVI, MSAVI, IRECI, NDMI, NDWI, MNDWI, MVI, RVI, PSRI 2, WRI, GNDVI, RECI, ARVI, IPVI, SRWI, single band channel, and VV VH polarization are used as estimator variables. The best predictor variables using RF algorithm are IRECHI, ??B8, NDWI, B8A, RECI, MSAVI. Meanwhile, the best estimator variables in estimating AGC values ??using the XGBoost algorithm are MSAVI, B8, B7, RECI, B8A, IRECHI. Variables originating from Sentinel-2A are more dominant than Sentinel-1A in estimating AGC values. The estimated AGC value using the RF algorithm obtained a value of 119.62 tons C/ha, while the estimated AGC value using the XGBoost algorithm obtained a value of 127.90 tons C/ha. XGBoost's ability to estimate AGC values ??is better with an R² value of 0.72 compared to the RF algorithm which has an R² value of 0.67. Apart from that, XGBoost has a smaller error evaluation value compared to RF with RMSE and MAE values ??respectively for XGBoost are 0.38 and 0.61 and for RF are 1.85 and 1.58.

 

Kata Kunci : Mangrove, AGC, Machine Learning, Random Forest, XGBoost